1 |
1
전처리부를 통해 1차원 ECG 신호를 2차원 ECG 이미지로 변환하는 단계; 및 ECG 부정맥 분류부를 통해 학습 기법을 이용하여 변환된 2차원 ECG 이미지인 복수의 ECG 부정맥 박동을 보강하고, 오버피팅을 감소시키기 위한 정규화를 수행하여 트레이닝 데이터를 확장하며, 목적함수를 이용하여 신경망이 트레이닝된 정도를 측정하고, CNN분류기를 통해 복수의 ECG 유형에 대한 분류를 수행하는 단계 를 포함하는 심전도 부정맥 분류 방법
|
2 |
2
제1항에 있어서, 상기 1차원 ECG 신호를 2차원 ECG 이미지로 변환하는 단계는, 부정맥 유형은 각 ECG 신호의 R-웨이브 피크 타임에서 라벨링되고, 이전 및 이후의 R-웨이브 피크 신호에서 첫 번째 및 미리 정해진 복수 개의 마지막 ECG 신호를 제외하고 W-웨이브 피크 신호를 센터링함으로써 단일 ECG 이미지를 정의하는 심전도 부정맥 분류 방법
|
3 |
3
제1항에 있어서,상기 CNN분류기를 통해 복수의 ECG 유형에 대한 분류를 수행하는 단계는, 학습 기법 중 그레디언트 디센트 기반 학습을 이용하고, 그레디언트 디센트 기반 학습을 이용하여 변환된 2차원 ECG 이미지를 보강하고, 트레이닝 세트를 확장시키는 단계; 그레디언트 디센트 기반 학습의 모델이 수렴하도록 하기 위해 커널 가중치를 초기화하는 단계; 그레디언트 디센트 기반 학습의 모델 내 커널 가중치의 출력 값을 정의 하는 단계; 그레디언트 디센트 기반 학습에 따른 내부 공변량을 감소시키고, 트레이닝 단계에서의 오버피팅을 감소시키기 위한 정규화를 수행하는 단계; 목적함수를 이용하여 신경망이 트레이닝된 정도를 측정하고, 트레이닝 샘플 및 예상되는 출력 사이의 차이를 나타내는 단계; 및 검사 세트를 이용하여 그레디언트 디센트 기반 학습의 모델이 트레이닝 세트에서 미리 정해진 정확도에 도달하는 지를 판단하는 단계를 포함하는 심전도 부정맥 분류 방법
|
4 |
4
제3항에 있어서, 상기 그레디언트 디센트 기반 학습을 이용하여 변환된 2차원 ECG 이미지를 보강하고, 트레이닝 세트를 확장시키는 단계는, 2차원 ECG 이미지를 입력 데이터로 정의하여 자르기 및 리사이징을 통해 이미지를 수정하여 트레이닝 세트를 확장시키고, 데이터 보강은 오버피팅을 감소시키며 클래스들 간에 정규화된 분산을 유지하는 심전도 부정맥 분류 방법
|
5 |
5
제4항에 있어서, 상기 2차원 ECG 이미지를 보강하는 방식은 왼쪽 위, 중앙 위, 오른쪽 위, 중앙 왼쪽, 중앙, 중앙 오른쪽, 왼쪽 아래, 중앙 아래 및 오른쪽 아래의 서로 다른 자르기 방법을 이용하여 PVC, PAB, RBB, LBB, APC, VFW, VEB를 포함하는 보강 방식을 이용하여 복수의 ECG 부정맥 박동을 보강하는 심전도 부정맥 분류 방법
|
6 |
6
제3항에 있어서, 상기 그레디언트 디센트 기반 학습의 모델이 수렴하도록 하기 위해 커널 가중치를 초기화하는 단계는, 모든 커널에서 그레디언트에 대한 Xavier 초기화를 수행하고, 미리 정해진 범위에서 랜덤하게 초기화되는 심전도 부정맥 분류 방법
|
7 |
7
제3항에 있어서, 상기 그레디언트 디센트 기반 학습에 따른 내부 공변량을 감소시키고, 트레이닝 단계에서의 오버피팅을 감소시키기 위한 정규화를 수행하는 단계는, 입력 배치의 평균 및 분산이 정규화된 다음, 배율이 변경되고 이동되며, 배치 정규화의 위치는 활성 함수 이전 및 컨볼루션 레이어 이후에 적용되고, 컨볼루션 블록 및 완전 연결 블록을 포함하여 모델의 모든 활성 함수 직후에 배치 정규화 레이어를 적용하는 심전도 부정맥 분류 방법
|
8 |
8
1차원 ECG 신호를 2차원 ECG 이미지로 변환하는 전처리부; 및 학습 기법을 이용하여 변환된 2차원 ECG 이미지를 보강하고, 오버피팅을 감소시키기 위한 정규화를 수행하여 트레이닝 데이터를 확장하며, 목적함수를 이용하여 신경망이 트레이닝된 정도를 측정하고, CNN분류기를 통해 복수의 ECG 유형에 대한 분류를 수행하는 ECG 부정맥 분류부 를 포함하는 심전도 부정맥 분류 장치
|
9 |
9
제8항에 있어서, 상기 전처리부는, 부정맥 유형은 각 ECG 신호의 R-웨이브 피크 타임에서 라벨링되고, 이전 및 이후의 R-웨이브 피크 신호에서 첫 번째 및 미리 정해진 복수 개의 마지막 ECG 신호를 제외하고 W-웨이브 피크 신호를 센터링함으로써 단일 ECG 이미지를 정의하는심전도 부정맥 분류 장치
|
10 |
10
제8항에 있어서, 상기 ECG 부정맥 분류부는, 학습 기법 중 그레디언트 디센트 기반 학습을 이용하고, 그레디언트 디센트 기반 학습을 이용하여 변환된 2차원 ECG 이미지를 보강하고, 트레이닝 세트를 확장시키고; 그레디언트 디센트 기반 학습의 모델이 수렴하도록 하기 위해 커널 가중치를 초기화하고; 그레디언트 디센트 기반 학습의 모델 내 커널 가중치의 출력 값을 정의 하고; 그레디언트 디센트 기반 학습에 따른 내부 공변량을 감소시키고, 트레이닝 단계에서의 오버피팅을 감소시키기 위한 정규화를 수행하고; 목적함수를 이용하여 신경망이 트레이닝된 정도를 측정하고, 트레이닝 샘플 및 예상되는 출력 사이의 차이를 나타내고; 및 검사 세트를 이용하여 그레디언트 디센트 기반 학습의 모델이 트레이닝 세트에서 미리 정해진 정확도에 도달하는 지를 판단하는 심전도 부정맥 분류 장치
|
11 |
11
제10항에 있어서, 상기 ECG 부정맥 분류부는,2차원 ECG 이미지를 입력 데이터로 정의하여 자르기 및 리사이징을 통해 이미지를 수정하여 트레이닝 세트를 확장시키고, 데이터 보강은 오버피팅을 감소시키며 클래스들 간에 정규화된 분산을 유지하는 심전도 부정맥 분류 장치
|
12 |
12
제11항에 있어서, 상기 2차원 ECG 이미지를 보강하는 방식은 왼쪽 위, 중앙 위, 오른쪽 위, 중앙 왼쪽, 중앙, 중앙 오른쪽, 왼쪽 아래, 중앙 아래 및 오른쪽 아래의 서로 다른 자르기 방법을 이용하여 PVC, PAB, RBB, LBB, APC, VFW, VEB를 포함하는 보강 방식을 이용하여 복수의 ECG 부정맥 박동을 보강하는 심전도 부정맥 분류 장치
|
13 |
13
제10항에 있어서, 상기 ECG 부정맥 분류부는,모든 커널에서 그레디언트에 대하여 Xavier 초기화를 수행하고, 미리 정해진 범위에서 랜덤하게 초기화되는심전도 부정맥 분류 장치
|
14 |
14
제10항에 있어서, 상기 ECG 부정맥 분류부는,입력 배치의 평균 및 분산이 정규화된 다음, 배율이 변경되고 이동되며, 배치 정규화의 위치는 활성 함수 이전 및 컨볼루션 레이어 이후에 적용되고, 컨볼루션 블록 및 완전 연결 블록을 포함하여 모델의 모든 활성 함수 직후에 배치 정규화 레이어를 적용하는 심전도 부정맥 분류 장치
|